一天学会Langmem 让AIAgent有记忆系统

最新推荐文章于 2025-05-23 10:21:02 发布

拉达曼迪斯II

最新推荐文章于 2025-05-23 10:21:02 发布

阅读量659

点赞数 17

分类专栏： AIGC学习 AI创业文章标签： AIGC RAG 人工智能 Langmem 智能体记忆

本文链接：https://blog.csdn.net/ms44/article/details/148130746

版权

AI创业同时被 2 个专栏收录

520 篇文章

订阅专栏

AIGC学习

487 篇文章

订阅专栏

LangMem 帮助AIAgent随着时间的推移从交互中学习和适应。

它提供工具来从对话中提取重要信息，通过提示改进来优化代理行为，并维持长期记忆。

它提供了可与任何存储系统一起使用的功能原语以及与 LangGraph 存储层的本机集成。

这使您的代理能够不断改进、个性化他们的响应并在会话中保持一致的行为。

官方地址：

https://langchain-ai.github.io/langmem

主要特点¶

🧩可与任何存储系统配合使用的核心内存 API
🧠内存管理工具，代理可以使用它来记录和搜索“热路径”中的活动对话期间的信息
⚙️后台内存管理器，可自动提取、合并和更新代理知识
⚡与 LangGraph 的长期记忆存储原生集成，所有 LangGraph 平台部署中默认可用

在LangMem中，长期记忆分为以下三种类型。

Semantic（语义记忆）
Episodic（情节记忆）
Procedural（过程记忆）

安装¶

注意Python要求3.11，亲测3.10有问题

pip install -U langmem

使用您最喜欢的 LLM 提供商的 API 密钥配置您的环境：

export ANTHROPIC_API_KEY="sk-..."  # Or another supported LLM provider

增加了代码解释后的完整内容

# Import core components
from langgraph.prebuilt import create_react_agent
from langgraph.store.memory import InMemoryStore
from langmem import create_manage_memory_tool, create_search_memory_tool

# 功能：初始化一个 InMemoryStore 对象，作为内存中的向量数据库，用于存储和检索数据（此处为用户的记忆或偏好）。
# 关键组件：
# InMemoryStore：可能是 LangGraph 或 Langmem 提供的类，用于在内存中存储向量数据。它是非持久化的（数据在程序终止后丢失），适合开发、测试或临时存储场景。
# index：配置向量索引的参数：
# "dims": 1536：指定向量嵌入的维度为 1536。这是 OpenAI 的 text-embedding-3-small 模型生成的嵌入向量维度，表示每个存储的记忆会被转换为一个 1536 维的向量。
# "embed": "openai:text-embedding-3-small"：指定使用的嵌入模型为 OpenAI 的 text-embedding-3-small。该模型将文本（如用户的输入“Remember that I prefer dark mode”）转换为向量，以便在存储和搜索时进行相似性比较。
# 工作原理：
# 当用户输入文本时，InMemoryStore 会调用 OpenAI 的嵌入模型将文本转换为 1536 维向量。
# 这些向量存储在内存中，支持后续的向量搜索（如基于余弦相似度的查询）。
# 注意事项：
# InMemoryStore 适合小规模或测试用途，因为数据不会持久化到磁盘。
# 确保 OpenAI API 密钥已配置，因为嵌入模型需要调用外部 API。
store = InMemoryStore(
    index={
        "dims": 1536,
        "embed": "openai:text-embedding-3-small",
    }
)

# 功能：创建一个 ReAct（Reasoning and Acting）代理，基于 Anthropic 的 Claude-3.5-Sonnet 模型，配备记忆管理和搜索工具，并连接到前面定义的 store。
# 关键组件：
# create_react_agent：Langmem 或 LangGraph 提供的函数，用于创建 ReAct 代理。ReAct 是一种代理架构，结合了推理（Reasoning）和行动（Acting），使代理能够根据输入选择合适的工具并生成响应。
# "anthropic:claude-3-5-sonnet-latest"：指定代理使用的语言模型为 Anthropic 的 Claude-3.5-Sonnet（最新版本）。Claude 是一个强大的对话模型，擅长理解上下文和生成自然语言响应。
# tools：代理配备的工具列表，用于扩展功能：
# create_manage_memory_tool(namespace=("memories",))：创建一个工具，用于管理记忆（例如存储或更新）。namespace=("memories",) 表示记忆存储在一个名为“memories”的命名空间中，用于组织数据。
# create_search_memory_tool(namespace=("memories",))：创建一个工具，用于搜索存储的记忆。同样使用“memories”命名空间，允许代理通过向量相似性搜索查找相关记忆。
# store=store：将前面定义的 InMemoryStore 传递给代理，确保记忆工具使用该存储进行数据操作。
# 工作原理：
# ReAct 代理的工作流程是：
# 接收用户输入（如“Remember that I prefer dark mode”）。
# 通过推理决定是否调用工具（例如调用 manage_memory_tool 存储记忆）。
# 使用 Claude 模型生成自然语言响应或处理工具的输出。
# 记忆工具依赖 InMemoryStore 进行数据持久化，manage_memory_tool 负责写入数据，search_memory_tool 负责查询数据。
# 注意事项：
# 确保 Anthropic API 已配置，因为 Claude 模型需要外部 API 调用。
# 命名空间“memories”用于隔离不同类型的数据，防止冲突。
agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    tools=[
        # Memory tools use LangGraph's BaseStore for persistence (4)
        create_manage_memory_tool(namespace=("memories",)),
        create_search_memory_tool(namespace=("memories",)),
    ],
    store=store,
)

#
# 功能：通过Agent存储用户的偏好（“我喜欢暗色模式”）到 InMemoryStore 中。
# 输入结构：
# agent.invoke：调用代理，处理输入消息并返回响应。
# {"messages": [...]}：输入是一个消息列表，符合对话模型的常见格式：
# role: "user"：表示消息来自用户。
# content: "Remember that I prefer dark mode."：用户的指令，要求代理记住偏好。
# 工作原理：
# 代理接收输入后，Claude 模型解析消息内容，识别出“Remember”是一个存储指令。
# 代理调用 manage_memory_tool，将文本“Remember that I prefer dark mode.”转换为 1536 维向量（通过 openai:text-embedding-3-small）。
# 向量和相关元数据存储到 InMemoryStore 的“memories”命名空间中。
# 代理可能返回一个确认响应（代码未显示输出），例如“Got it, I’ve remembered that you prefer dark mode.”
# 注意事项：
# 存储的记忆可能包括原始文本、嵌入向量和元数据（如时间戳或用户 ID），具体取决于 manage_memory_tool 的实现。
# 如果 API 调用失败（例如网络问题或配额限制），存储可能失败。
agent.invoke(
    {"messages": [{"role": "user", "content": "Remember that I prefer dark mode."}]}
)

#
# 功能：通过代理查询用户的照明偏好，并打印代理的响应。
# 输入结构：
# 类似于存储记忆，输入是一个消息列表：
# content: "What are my lighting preferences?"：用户询问存储的偏好。
# 工作原理：
# 代理接收查询，Claude 模型解析问题，识别出需要检索与“lighting preferences”相关的记忆。
# 代理调用 search_memory_tool，将查询文本转换为向量（通过 openai:text-embedding-3-small）。
# search_memory_tool 在 InMemoryStore 的“memories”命名空间中执行向量搜索，找到与查询向量最相似的记忆（即“我喜欢暗色模式”）。
# Claude 模型根据搜索结果生成自然语言响应，例如“You prefer dark mode.”
# 响应存储在 response["messages"] 中，[-1] 取最后一个消息（代理的回答）。
# 输出：
# print(response["messages"][-1].content)：打印代理的回答，预期输出类似“You prefer dark mode.”
# 注意事项：
# 搜索的准确性依赖于向量相似度。如果存储的记忆与查询不匹配（例如查询“color preferences”），可能返回空结果或不相关内容。
# 输出格式取决于 Claude 模型的生成逻辑，可能包含额外说明或格式化。
# Retrieve the stored memory
response = agent.invoke(
    {"messages": [{"role": "user", "content": "What are my lighting preferences?"}]}
)


print(response["messages"][-1].content)
# Output: "You've told me that you prefer dark mode."

可能出现的错误： 1. AttributeError: module ‘typing’ has no attribute ‘NotRequired’